计算机视觉 ：端午无事 ，图像处理入门案例一文速通

"""生成或读取密钥图像"""key = np.random.randint(0, 256, size=original_img.shape, dtype=np.uint8)
"""加密图像"""cv2.bitwise_xor(original_img, key)
"""解密图像"""cv2.bitwise_xor(encrypted_img, key)

""" 保存原始图像副本"""original_copy = original_img.copy()
""" 生成3通道掩膜"""mask_3d = np.stack([mask] * 3, axis=2)
""" 加密：将指定区域设置为黑色（0）"""encrypted_img = np.where(mask_3d == 1, 0, original_img)
""" 解密：将原始数据恢复到加密区域"""decrypted_img = np.where(mask_3d == 1, original_copy, encrypted_img)

# 创建特点区域的掩码def create_mask(image_shape, x1, y1, x2, y2):    """创建一个指定区域的掩模图像"""    r, c = image_shape[:2]    mask = np.zeros((r, c), dtype=np.uint8)    # 确保坐标在图像范围内    y1 = max(0, y1)    y2 = min(r, y2)    x1 = max(0, x1)    x2 = min(c, x2)    mask[y1:y2, x1:x2] = 1    return mask

""" 生成随机密钥，与原图像形状相同 """ key = np.random.randint(0, 256, size=original_img.shape, dtype=np.uint8)
""" 加密：对整个图像进行异或操作 """ encrypted_full = cv2.bitwise_xor(original_img, key)
""" 提取加密后的ROI区域 """ encrypted_roi = encrypted_full[y1:y2, x1:x2]
""" 将加密的ROI区域替换到原始图像 """ result_img = original_img.copy() result_img[y1:y2, x1:x2] = encrypted_roi
""" 解密：对加密图像进行异或操作 """ decrypted_full = cv2.bitwise_xor(encrypted_img, key)
""" 提取解密后的ROI区域 """ decrypted_roi = decrypted_full[y1:y2, x1:x2]
""" 将解密后的ROI区域替换回加密图像 """ result_img = encrypted_img.copy() result_img[y1:y2, x1:x2] = decrypted_roi

## 按位异或（XOR）运算- 加密：将原始图像与密钥图像进行按位异或运算，得到加密图像。- 解密：将加密图像与密钥图像再次进行按位异或运算，恢复原始图像。

## 掩模方式 和 ROI方式 的原理简述- 掩模 ： 掩膜（Mask） 是一个与原图像大小和通道数相同的辅助图像    - 通过一个二维数组（通常为灰度图像）来控制主图像的每个像素    - 使用 cv2.bitwise_and 函数，保留掩膜中标记为 1 的区域- ROI ： 直接对图像特定区域进行处理 ，直接替换

""" 准备透明旋转水印 """ rotated_watermark = cv2.warpAffine(binary_watermark, rotation_matrix, (width, height)) normalized_watermark = rotated_watermark.astype(float) / 255.0 * alpha
""" 分散平铺水印 """ h_spacing = h * spacing_factor # 水印间的垂直间距 w_spacing = w * spacing_factor # 水印间的水平间距 offset = (w_spacing // 2) if (i // h_spacing) % 2 == 0 else 0 # 错位效果 tiled_watermark[i:i+place_h, j:j+place_w] = watermark_tile[:place_h, :place_w]
""" 可见水印嵌入 """ embedded = carrier * (1 - watermark_3ch) + watermark_3ch * 255
""" LSB水印嵌入 """ carrier_lsb = channel & 0xFE # 将最低位清零 embedded_channel = carrier_lsb | binary_watermark # 嵌入水印二值图

## 这段代码创建了一个从中心向边缘渐变的透明度掩模，中心区域不透明度高，边缘区域不透明度低，使水印效果更自然。# 创建渐变透明度掩模for i in range(roi_height):        for j in range(roi_width):            # 计算到中心的距离比例            center_x, center_y = roi_width / 2, roi_height / 2            dist_x = abs(j - center_x) / center_x            dist_y = abs(i - center_y) / center_y            # 距离越远，透明度越低            alpha = 1.0 - max(dist_x, dist_y) * 0.7            mask[roi_y1 + i, roi_x1 + j] = max(0.3, alpha)  # 最小透明度为0.3
## 这是透明度混合的核心算法，通过掩模的权重值，将水印图像与原图进行加权混合，实现半透明效果。公式为：`结果 = alpha * 水印 + (1 - alpha) * 原图`。# 应用透明度混合: dst = alpha * src1 + (1 - alpha) * src2watermarked[roi_y1:roi_y2, roi_x1:roi_x2, c] = (    mask[roi_y1:roi_y2, roi_x1:roi_x2] * watermark_resized[:, :, c] +     (1 - mask[roi_y1:roi_y2, roi_x1:roi_x2]) * roi)



## **创建统一透明度版本**：alpha = 0.4  # 统一的透明度值for c in range(3):  # 处理BGR三个通道        roi = watermarked2[roi_y1:roi_y2, roi_x1:roi_x2, c]        watermarked2[roi_y1:roi_y2, roi_x1:roi_x2, c] = (            alpha * watermark_resized[:, :, c] +             (1 - alpha) * roi        )

# 数字水印操作步骤 ：'''1. 嵌入过程'''   - 将载体图像和水印图像分别转换为二进制形式。   - 将载体图像的最低有效位清0。   - 将水印图像的二进制值嵌入到载体图像的最低有效位上。'''2. 提取过程'''   - 将含水印载体图像转换为二进制形式。   - 提取含水印载体图像的最低有效位，得到水印信息。
------------------------------------

1. 「敏感度参数控制系统」：

# 基于敏感度调整参数min_area = int(1000 * (1 - sensitivity**2))  # 敏感度越高，最小面积越小max_area_ratio = 0.3 + sensitivity * 0.4     # 敏感度越高，最大面积比例越大min_aspect = 0.2 - sensitivity * 0.15        # 敏感度越高，最小宽高比越小max_aspect = 5 + sensitivity * 10            # 敏感度越高，最大宽高比越大overlap_threshold = 0.8 - sensitivity * 0.3  # 敏感度越高，允许更多重叠

这组公式建立了敏感度参数与各种检测阈值之间的关系，允许通过单一参数控制整个检测系统的严格程度。

# 多阈值处理方法binary_methods = []
# OTSU二值化 - 始终使用ret, otsu = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)binary_methods.append(otsu)
# 自适应阈值 - 敏感度高时使用if sensitivity > 0.3:    block_size = int(25 - sensitivity * 10)    block_size = block_size if block_size % 2 == 1 else block_size + 1  # 确保是奇数    c_value = int(5 - sensitivity * 3)
    adaptive_gaussian = cv2.adaptiveThreshold(...)    binary_methods.append(adaptive_gaussian)

根据敏感度启用不同的图像处理算法，低敏感度时只使用基本算法，高敏感度时启用更多复杂算法以捕获更多潜在目标。

3. 「形态学操作参数动态调整」：

# 形态学操作核大小随敏感度调整morph_size = int(7 - sensitivity * 4)        # 敏感度越高，核越小morph_size = max(3, morph_size)              # 确保至少为3
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (morph_size, morph_size)

形态学操作核大小会影响目标边界的细节保留，敏感度高时使用较小的核以保留更多细节。

4. 「条件检测分支」：

# 合并二值图像if sensitivity > 0.8:  # 极高敏感度时，使用图像合并以捕获更多区域    combined = np.zeros_like(binary_methods[0])    for binary in binary_methods:        combined = cv2.bitwise_or(combined, binary)

# 转换为HSV色彩空间hsv = cv2.cvtColor(fore, cv2.COLOR_BGR2HSV)
'''作用：'''- 将BGR图像转换为HSV色彩空间，使颜色检测更加可靠，- HSV色彩空间将颜色的色调(H)、饱和度(S)和亮度(V)分离。

# 创建绿色掩模lower_green = np.array(green_lower)upper_green = np.array(green_upper)mask = cv2.inRange(hsv, lower_green, upper_green)
'''作用：'''使用inRange函数创建二值掩模，该掩模标识出图像中所有在指定HSV范围内的像素

# 使用中值滤波去除小噪点mask = cv2.medianBlur(mask, 5)
# 形态学操作 - 闭操作填充小洞kernel = np.ones((5, 5), np.uint8)mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)
'''作用：'''- 通过中值滤波和形态学闭操作改善掩模质量，去除噪点并填充小孔洞。

# 只保留较大的连通区域，去除小噪点contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)min_area = 500  # 最小面积阈值clean_mask = np.zeros_like(mask)
for contour in contours:    area = cv2.contourArea(contour)    if area > min_area:        cv2.drawContours(clean_mask, [contour], 0, 255, -1)
mask = clean_mask
'''作用：'''- 计算掩模中每个连通区域的面积，并只保留大于阈值的区域。- 这有效地消除了小的误检区域，大大提高了掩模的准确性。

# 边缘处理 - 创建边缘掩模edge_mask = np.zeros_like(mask)for contour in contours:    area = cv2.contourArea(contour)    if area > min_area:        cv2.drawContours(edge_mask, [contour], 0, 255, 2)
# 膨胀边缘edge_kernel = np.ones((3, 3), np.uint8)edge_mask = cv2.dilate(edge_mask, edge_kernel, iterations=2)
# 边缘模糊处理blurred_fore = cv2.GaussianBlur(fore, (9, 9), 0)fore_with_blur = fore.copy()fore_with_blur[edge_mask == 255] = blurred_fore[edge_mask == 255]

'''作用'''：- 为掩模边缘创建平滑过渡区域，避免最终结果中出现明显的边界。- 这是通过检测轮廓边缘，然后在边缘区域应用高斯模糊实现的。

# 使用掩模提取背景back_region = cv2.bitwise_and(back, back, mask=mask)
# 使用反向掩模提取前景mask_inv = cv2.bitwise_not(mask)fore_region = cv2.bitwise_and(fore_with_blur, fore_with_blur, mask=mask_inv)
# 合并前景和背景result = cv2.add(back_region, fore_region)
'''作用'''：- 首先从背景图像中提取对应掩模区域的像素- 然后从前景图像中提取非掩模区域的像素，最后将两部分合并
- 这样，前景图像中掩模标识的区域(绿色区域)就被背景图像中的相应区域替换，创造隐形效果。